Ryzyko na rynkach finansowych
|
|
- Andrzej Nawrocki
- 8 lat temu
- Przeglądów:
Transkrypt
1 Ryzyko na rynkach finansowych dr Tomasz Chmielewski Szkoła Główna Handlowa Katedra Polityki Pieniężnej Semestr letni 2011/2012
2 Wstęp Plan wykładu Wprowadzenie do pomiaru ryzyka rynkowego Rozkłady stóp zwrotu z różnych aktywów Realizm normalności Grube ogony Wybrane aspekty modelowania rozkładów Przeglad wybranych rozkładów Modele GARCH/MGARCH Miary ryzyka Pożadane cechy miar ryzyka VaR jako (nieidealna) miara ryzyka rynkowego Inne miary ryzyka Rozszerzenia
3 Wstęp (Wybrana) literatura do drugiej części zajęć (1) T.G. Andersen, T. Bollerslev, F.X. Diebold, Parametric and Nonparametric Volatility Measurement, w: L.P. Hansen, Y. Ait-Sahalia (red.) Handbook of Financial Econometrics, North-Holland, Amsterdam T.G. Andersen, T. Bollerslev, P.F. Christoffersen, F.X. Diebold, Practical Volatility and Correlation Modeling for Financial Market Risk Management, w: M. Carey, R. Stultz (red.), Risks of Financial Institutions, University of Chicago Press for NBER, T.G. Andersen, T. Bollerslev, P.F. Christoffersen, F.X. Diebold, Volatility and Correlation Forecasting, w: G. Elliot, C.W.J. Granger, A. Timmermann, Handbook of Economic Forecasting, North-Holland, Amsterdam 2006.
4 Wstęp (Wybrana) literatura do drugiej części zajęć (2) J.Y. Campbell, A.W. Lo, A.C. MacKinlay, The Econometrics of Financial Markets, Princeton University Press, Princeton C. Alexander, Market Models. A Guide to Financial Data Analysis, John Wiley & Sons, Chichester K. Dowd, Measuring Market Risk (2 wyd.), John Wiley & Sons, Chichester BIS (2011), Messages from the academic literature on risk measurement for the trading book, BCBS Working Papers No 19
5 Stopy zwrotu Wprowadzenie Outline 1 Wstęp 2 Stopy zwrotu Wprowadzenie Proces generujacy stopy zwrotu Alternatywne rozkłady 3 Modele warunkowej zmienności Warunkowa zmienność wprowadzenie Jednowymiarowe modele GARCH Wielowymiarowe modele GARCH 4 Podstawowe miary ryzyka Spójne miary ryzyka VaR Expected shortfall 5 Spektralne miary ryzyka Definicja 6 Wybrane modele ryzyka kredytowego
6 Stopy zwrotu Wprowadzenie Stopy zwrotu dla porzadku Prosta stopa zwrotu: Logarytmiczna stopa zwrotu: r t ln(1 + R t ) = ln R t = P t P t 1 P t 1 = P t P t 1 1 P t P t 1 = ln(p t ) ln(p t 1 ) = p t p t 1 O ile nie zaznaczono inaczej, w tej prezentacji wykorzystywane sa dzienne logarytmiczne stopy zwrotu Addytywność Pewne ułatwienia w modelowaniu stóp zwrotu jako szeregów czasowych Ostrożnie z portfelami
7 Stopy zwrotu Wprowadzenie Dlaczego rozkłady stóp zwrotu? Zwykle wygodniej modelować stopy zwrotu niż poziomy cen Stopy zwrotu być może sa niezależne w czasie, ceny na pewno sa zależne Problemy z integracja szeregów wygodniej jest nie mieć trendów Zarz adzanie ryzykiem: o ile i z jakim prawdopodobieństwem może zmienić się wartość mojego portfela?
8 Stopy zwrotu Proces generujacy stopy zwrotu Outline 1 Wstęp 2 Stopy zwrotu Wprowadzenie Proces generujacy stopy zwrotu Alternatywne rozkłady 3 Modele warunkowej zmienności Warunkowa zmienność wprowadzenie Jednowymiarowe modele GARCH Wielowymiarowe modele GARCH 4 Podstawowe miary ryzyka Spójne miary ryzyka VaR Expected shortfall 5 Spektralne miary ryzyka Definicja 6 Wybrane modele ryzyka kredytowego
9 Stopy zwrotu Proces generujacy stopy zwrotu Grube ogony rozkładów Centralne twierdzenie graniczne daje nadzieję na korzystne własności statystyczne rozkładów Badania empiryczne potwierdzaja odchylenia od normalności Odchylenia te zwykle tym większe, im stopy zwrotu dla krótszego okresu Grube ogony istotne w modelowaniu ryzyka znaczna modyfikacja tej części rozkładu, która jest przedmiotem największego zainteresowania
10 Stopy zwrotu Proces generujacy stopy zwrotu Dlaczego obserwujemy grube ogony? W rzeczywistości rozkład inny niż normalny? Heteroskedastyczność i niewłaściwe ujęcie efektów GARCH? Stopy zwrotów w rzeczywistości pochodza z mieszaniny rozkładów normalnych? Wpływ nieefektywności rynków? Wpływ mikrostruktury rynków? Zmienność stochastyczna? Proces nieciagły (skoki)? Tak naprawdę wszystko jest normalne, tylko mamy zbyt mało obserwacji, żeby to stwierdzić?
11 Stopy zwrotu Alternatywne rozkłady Outline 1 Wstęp 2 Stopy zwrotu Wprowadzenie Proces generujacy stopy zwrotu Alternatywne rozkłady 3 Modele warunkowej zmienności Warunkowa zmienność wprowadzenie Jednowymiarowe modele GARCH Wielowymiarowe modele GARCH 4 Podstawowe miary ryzyka Spójne miary ryzyka VaR Expected shortfall 5 Spektralne miary ryzyka Definicja 6 Wybrane modele ryzyka kredytowego
12 Stopy zwrotu Alternatywne rozkłady Rozkłady stabilne Szukamy rozkładów, dla których szansa zdarzeń odległych od średniej byłaby większa niż dla rozkładu normalnego Wśród kandydatów: rodzina rozkładów stabilnych Suma zmiennych losowych z rozkładów stabilnych ma rozkład stabilny Rozkład normalny szczególnym przypadkiem Znane postaci analityczne funkcji gęstości dla rozkładu Cauchy ego i Bernoulliego
13 Stopy zwrotu Alternatywne rozkłady Problemy z niektórymi rozkładami stabilnymi Niewygodne w wyprowadzeniach Ogony tak grube, że nie istnieja drugie momenty Czyli brak odchylenia standardowego Czyli brak korelacji Problemy z funkcja użyteczności (poza najbardziej trywialnymi przypadkami wyższe momenty rozkładu też się przydaja) Implikuj a tak samo nienormalne rozkłady stóp zwrotu dla dłuższych okresów utrzymywania wbrew wynikom empirycznym
14 Stopy zwrotu Alternatywne rozkłady Rozkłady gruboogonowe z istniejacymi wyższymi momentami Rozkład t-studenta Mieszanina rozkładów normalnych (1 δ t )ε 1,t + δ t ε 2,t δ t zmienna binarna przełaczaj aca między rozkładami normalnymi o różnych wariancjach Procesy ze skokami
15 Stopy zwrotu Alternatywne rozkłady Przykład: Mieszanina rozkładów normalnych Dwie zmienne o rozkładzie normalnym ε i N(µ i, σ 2 i ), µ 1 = µ 2 = 0, σ 2 1 = 1, σ2 2 = 3 Z prawdopodobieństwem 95% losujemy z rozkładu ε 1, zaś z prawd. 5% z rozkładu ε 2 Generujemy szereg obserwacji W efekcie obserwowany rozkład bezwarunkowy będzie miał grube ogony
16 Stopy zwrotu Alternatywne rozkłady Mieszanina rozkładów normalnych
17 Stopy zwrotu Alternatywne rozkłady Mieszanina rozkładów normalnych
18 Stopy zwrotu Alternatywne rozkłady Mieszanina rozkładów normalnych Mieszanina Dopasowany rozkład normalny
19 Stopy zwrotu Alternatywne rozkłady Mieszanina rozkładów normalnych Dopasowany rozkład normalny Mieszanina
20 Wybrane rozkłady gruboogonowe Proces ze skokami Do typowego procesu generujacego stopy zwrotu dodajemy komponent odpowiedzialny za skoki nagłe, znaczne zmiany Możliwe jest wtedy uzyskanie niezerowej skośności rozkładu oraz efektu grubych ogonów r t = e t + et J e t N(0, σt 2) Zmienna et J jest suma N t zmiennych losowych J n, n = 1,..., N t N t jest zmienna losowa o rozkładzie Poissona ze średnia λ, gdzie λ jest liczba "skoków" w ciagu dnia J N N(µ J, σj 2)
21 Wybrane rozkłady gruboogonowe Proces ze skokami parametry Średnia: λµ J Wariancja: σ 2 + λ(µ 2 J + σ2 J ) Skośność: λµ J (µ 2 J + 3σ2 J ) Kurtoza: 3 + λ(µ 4 J + 6µ2 J σ2 J + 3σ4 J )
22 Wybrane rozkłady gruboogonowe GEV Teoria wartości ekstremalnych pozwala na wyprowadzenie rozkładu skrajnych realizacji zmiennych losowych przy dość ogólnych założeniach { exp[ (1 + ξ(x µ)/σ) H ξ,µ,σ = 1/ξ ], jeżeli ξ 0 exp[ exp( (x µ)/σ)], jeżeli ξ = 0 gdzie musi być spełniony warunek 1 + ξ(x µ)/σ > 0 Parametry położenia (µ) oraz skali (σ) nie moga być bezpośrednio utożsamiane ze średnia i odchyleniem standardowym
23 Wybrane rozkłady gruboogonowe GEV Parametr ξ decyduje o charakterze ogona rozkładu Dla ξ > 0 GEV daje rozkład Frécheta, co oznacza, że zmienna x ma rozkład gruboognowy Dla ξ = 0 otrzymujemy rozkład Gumbela z kurtoza taka, jak dla rozkładu normalnego (3) Dla ξ < 0 (rozkład Weibulla) mamy ogon cieńszy niż dla rozkładu normalnego Możliwe wyprowadzenie wielkości VaR; ξ > 0: VaR α = µ σ ξ [1 ( log(α)) ξ ] ξ = 0: VaR α = µ σ log[log(1/α)]
24 Wybrane rozkłady gruboogonowe POT uogólniony rozkład Pareto Niech X będzie zmienna losowa o dystrybuancie F(x), dla danego poziomu granicznego u można określić rozkład strat przekraczajacych u: F u (y) = P(X u y X > u) Dla dużych wartości u, rozkład F u (y) daży do uogólnionego rozkładu Pareto: G ξ,β = { 1 (1 + ξx/β) 1/ξ, jeżeli ξ 0 1 exp( x/β), jeżeli ξ = 0
25 Wybrane rozkłady gruboogonowe POT parametryzacja Rozkład zależy tylko od dwóch parametrów skali (β) oraz kształtu (ξ), decydujacym o charakterze ogona (tail index) Problem doboru granicznej wartości u wysoka wartość wymagana, żeby zadziałała asymptotyczna teoria, jednak to ogranicza liczbę obserwacji ekstremalnych Możliwe wyznaczenie { wartości VaR: [ } VaR α = u + β n ξ (1 α)] ξ Nu 1
26 Modele warunkowej zmienności Warunkowa zmienność wprowadzenie Outline 1 Wstęp 2 Stopy zwrotu Wprowadzenie Proces generujacy stopy zwrotu Alternatywne rozkłady 3 Modele warunkowej zmienności Warunkowa zmienność wprowadzenie Jednowymiarowe modele GARCH Wielowymiarowe modele GARCH 4 Podstawowe miary ryzyka Spójne miary ryzyka VaR Expected shortfall 5 Spektralne miary ryzyka Definicja 6 Wybrane modele ryzyka kredytowego
27 Modele warunkowej zmienności Warunkowa zmienność wprowadzenie Zmienność oszacowania czy zmienność parametru? okno22 okno60 okno250
28 Modele warunkowej zmienności Warunkowa zmienność wprowadzenie Modelowanie zmienności Zmienność jest zmienna w czasie Zmienność nie jest bezpośrednio obserwowalna Zmienność może być podstawa wyceny instrumentów finansowych Jaka jest wartość zmienności dzisiaj? Jaka będzie wartość zmienności jutro? Skad brać zmienność?
29 Modele warunkowej zmienności Warunkowa zmienność wprowadzenie Dlaczego modele warunkowej zmienności? Wycena opcji Realistyczne oszacowania ryzyka Szacowanie stóp zwrotu skorygowanych o ryzyko Wybór optymalnego portfela Zmienne w czasie β w CAPM
30 Modele warunkowej zmienności Warunkowa zmienność wprowadzenie Model wygładzania wykładniczego σ 2 t = λσ 2 t 1 + (1 λ)r 2 t 1 σt 2 = (1 λ)λ j rt 1 j 2 j=0 Podejście spopularyzowane przez RiskMetrics λ kalibrowana arbitralnie (zwykle 0,94 dla danych dziennych) Jak szybko model zapomina o historycznej zmienności
31 Modele warunkowej zmienności Jednowymiarowe modele GARCH Outline 1 Wstęp 2 Stopy zwrotu Wprowadzenie Proces generujacy stopy zwrotu Alternatywne rozkłady 3 Modele warunkowej zmienności Warunkowa zmienność wprowadzenie Jednowymiarowe modele GARCH Wielowymiarowe modele GARCH 4 Podstawowe miary ryzyka Spójne miary ryzyka VaR Expected shortfall 5 Spektralne miary ryzyka Definicja 6 Wybrane modele ryzyka kredytowego
32 Modele warunkowej zmienności Jednowymiarowe modele GARCH Model GARCH σt 2 = ω + αrt βσ2 t 1 ; ω, α, β 0; α + β 1 σ 2 t = ω 1 β + α β j 1 r 2 t j Możliwe uogólnienie na GARCH(m,n) Liczne wersje modelu GARCH (asymetryczne, zapadkowe, modyfikacje procesu r,...) Estymacja zwykle poprzez (quasi) MNW Model wygładzania wykładniczego jest szczególnym przypadkiem GARCH(1,1)
33 Modele warunkowej zmienności Jednowymiarowe modele GARCH Model GARCH σ 2 t = ω + αr 2 t 1 + βσ2 t 1 σ 2 ω 1 α β Zależność od wartości długookresowej: σ 2 t = σ 2 + α(r 2 t 1 σ2 ) + β(σ 2 t 1 σ2 ) Warunkowa prognoza zmienności: σ 2 t+k t = σ2 + (α + β) k 1 (σ 2 t+1 t σ2 )
34 Modele warunkowej zmienności Wielowymiarowe modele GARCH Outline 1 Wstęp 2 Stopy zwrotu Wprowadzenie Proces generujacy stopy zwrotu Alternatywne rozkłady 3 Modele warunkowej zmienności Warunkowa zmienność wprowadzenie Jednowymiarowe modele GARCH Wielowymiarowe modele GARCH 4 Podstawowe miary ryzyka Spójne miary ryzyka VaR Expected shortfall 5 Spektralne miary ryzyka Definicja 6 Wybrane modele ryzyka kredytowego
35 Modele warunkowej zmienności Wielowymiarowe modele GARCH Wielowymiarowe modele warunkowej zmienności (MGARCH) Zmienność na różnych rynkach może zależeć od wspólnych czynników Wzrost zmienności na jednym rynku może powodować zmianę zmienności na innym rynku Zależności (kowariancje/korelacje) między rynkami mog a być zmienne w czasie
36 Modele warunkowej zmienności Wielowymiarowe modele GARCH Ogólna specyfikacja modelu R t = Ω 1 2 t Z t E(Z t ) = 0 Z t i.i.d var(z t ) = I Ω to wielowymiarowa analogia wariancji W modelowaniu konieczne zapewnienie, by macierz Ω była nieujemnie określona Dla N aktywów w macierzy Ω mamy N(N + 1)/2 wolnych parametrów do oszacowania W praktyce konieczne nałożenie restrykcji w celu zmniejszenia wymiarowości problemu
37 Modele warunkowej zmienności Wielowymiarowe modele GARCH Wygładzanie wykładnicze Dla macierzy robimy to samo co wcześniej dla skalarów Ω t = λω t 1 + (1 λ)r t 1 R t 1 Podejście bardzo restrykcyjne implikowane założenie o takim samym stopniu wygładzania dla wszystkich parametrów Ale mamy gwarancję nieujemnej określoności macierzy Ω t
38 Modele warunkowej zmienności Wielowymiarowe modele GARCH Wielowymiarowy GARCH Wielowymiarowy odpowiednik modelu GARCH(1,1): vech(ω t ) = vech(c) + Bvech(Ω t 1 ) + Avech(R t 1 R t 1 ) Operator vech przekształca macierz symetryczna w wektor N(N + 1)/2 1 Macierze A oraz B maja wymiary N(N + 1)/2 N(N + 1)/2 W najbardziej ogólnej postaci w modelu trzeba oszacować O(N 4 ) parametrów Czyli dla N = 100 aktywów ponad 51mln parametrów do oszacowania!
39 Modele warunkowej zmienności Wielowymiarowe modele GARCH MGARCH vech(1,1) h 11t h 21t h 22t = c 1 c 2 c a 11 a 12 a 13 a 21 a 22 a 23 a 31 a 32 a 33 b 11 b 12 b 13 b 21 b 22 b 23 b 31 b 32 b 33 h 11,t 1 h 21,t 1 h 22,t 1 ɛ 2 1,t 1 ɛ 1,t 1 ɛ 2,t 1 ɛ 2 2,t 1
40 Modele warunkowej zmienności Wielowymiarowe modele GARCH Nakładamy restrykcje Musimy coś zrobić najlepiej z macierzami A oraz B Wersja najbardziej restrykcyjna: Ω t = C + βω t 1 + αr t 1 R t 1 Przekształcajac podobnie jak dla GARCH: Ω t = Ω + β(ω t 1 Ω) + α(r t 1 R t 1 Ω) Ponownie wersja nieco mniej restrykcyjna niż wygładzanie wykładnicze Szukamy czegoś bardziej ogólnego
41 Modele warunkowej zmienności Wielowymiarowe modele GARCH Model BEKK Reparametryzujemy specyfikację vech Zapewnienie nieujemnej określoności szacowanej macierzy wariancji-kowariancji Ω t = C C + B Ω t 1 B + A (R t 1 R t 1)A N(5N + 1)/2 parametrów do oszacowania Możemy nałożyć dodatkowe restrykcje na macierze A oraz B
42 Modele warunkowej zmienności Wielowymiarowe modele GARCH BEKK(1,1,1) [ ] [ ] [ ] h11t h 12t c11 0 c11 c = 21 + h 21t h 22t c 21 c 22 0 c 22 [ ] [ a11 a + 12 ɛ 2 ] [ ] 1,t 1 ɛ 1,t 1 ɛ 2,t 1 a11 a 12 a 21 a 22 ɛ 1,t 1 ɛ 2,t 1 ɛ 2 + 2,t 1 a 21 a 22 [ ] [ ] [ ] b11 b + 12 h11,t 1 h 12,t 1 b11 b 12 b 21 b 22 h 21,t 1 h 22,t 1 b 21 b 22
43 Modele warunkowej zmienności Wielowymiarowe modele GARCH DCC Dynamic Condition Correlation Korzystamy z dekompozycji macierzy wariancji-kowariancji: Ω t D t Γ t D t Γ t macierz korelacji D t diagonalna macierz odchyleń standardowych Możliwe jest indywidualne modelowanie warunkowej zmienności dla poszczególnych szeregów Zwykle dość restrykcyjna specyfikacja dla procesu zmian korelacji W wersji Γ t = Γ model stałych warunkowych korelacji (CCC) Ale takie założenie może być zbyt restrykcyjne
44 Modele warunkowej zmienności Wielowymiarowe modele GARCH Modele czynnikowe Być może stopy zwrotu danej klasy aktywów zależa od stosunkowo niewielkiej liczby (być może nieobserwowalnych) czynników Przykład wycena obligacji i modelowanie krzywej dochodowości Budujemy model MGARCH tylko dla czynników, a następnie odtwarzamy odpowiednie parametry dla rzeczywistych aktywów Powiazana klasa ortogonalne modele GARCH
45 Podstawowe miary ryzyka Spójne miary ryzyka Outline 1 Wstęp 2 Stopy zwrotu Wprowadzenie Proces generujacy stopy zwrotu Alternatywne rozkłady 3 Modele warunkowej zmienności Warunkowa zmienność wprowadzenie Jednowymiarowe modele GARCH Wielowymiarowe modele GARCH 4 Podstawowe miary ryzyka Spójne miary ryzyka VaR Expected shortfall 5 Spektralne miary ryzyka Definicja 6 Wybrane modele ryzyka kredytowego
46 Podstawowe miary ryzyka Spójne miary ryzyka Pożadane właściwości miar ryzyka Niech X oraz Y oznaczaja (nominalne) zwroty z dwóch portfeli Miarę ryzyka ρ nazywamy spójna, gdy spełnia: Y X ρ(y ) ρ(x) ρ(x + Y ) ρ(x) + ρ(y ) (subaddytywność) ρ(hx) = hρ(x) dla h > 0 Dla znanej (pozbawionej ryzyka) kwoty n: ρ(x + n) = ρ(x) n W praktyce najważniejsza jest subaddytywność Uwaga: miara ryzyka rozważana z punktu widzenia indywidualnego podmiotu/portfela, perspektywa np. ryzyka systemowego może być inna
47 Podstawowe miary ryzyka VaR Outline 1 Wstęp 2 Stopy zwrotu Wprowadzenie Proces generujacy stopy zwrotu Alternatywne rozkłady 3 Modele warunkowej zmienności Warunkowa zmienność wprowadzenie Jednowymiarowe modele GARCH Wielowymiarowe modele GARCH 4 Podstawowe miary ryzyka Spójne miary ryzyka VaR Expected shortfall 5 Spektralne miary ryzyka Definicja 6 Wybrane modele ryzyka kredytowego
48 Podstawowe miary ryzyka VaR Value at Risk (VaR) Wartość zagrożona Wartość narażona na ryzyko...ale nie VAR Vector AutoRegression! Popularna miara ryzyka Popularność wspierana regulacjami nadzorczymi...ale od strony teorii ma pewne wady Dla ogólnych rozkładów nie jest spójna miara ryzyka
49 Podstawowe miary ryzyka VaR Definicja VaR Oszacowanie, przy założonym poziomie prawdopodobieństwa, straty w danym horyzoncie czasowym Na przykład: szacujemy, że z prawdopodobieństwem 99% w ciagu kolejnych 10 dni roboczych nie stracimy więcej niż 10 mln PLN
50 Podstawowe miary ryzyka VaR VaR uwagi do definicji VaR nie jest maksymalna możliwa wielkościa straty VaR nie określa, jak dużo możemy stracić, jeśli strata przekroczy wartość VaR VaR zakłada typowe warunki rynkowe Oszacowana wartość VaR jest warunkowana modelem zachowania się stóp zwrotu Przekroczenia przez straty poziomu VaR jest normalne (byle nie za często)
51 Podstawowe miary ryzyka VaR Prawdopodobieństwo przekroczenia VaR (1 dzień, 99%) Liczba Prawdop. Prawdop. przekroczeń skumulowane 0 8,11% 8,11% 1 20,47% 28,58% 2 25,74% 54,32% 3 21,50% 75,81% 4 13,41% 89,22% 5 6,66% 95,88% 6 2,75% 98,63% 7 0,97% 99,60% 8 0,30% 99,89% 9 0,08% 99,98% 10 0,02% 100,00% 11 0,00% 100,00%
52 Podstawowe miary ryzyka VaR Niespójność VaR jako miary ryzyka Portfel dwóch obligacji (A i B) Wartość nominalna każdej wynosi 100 Prawdopobieństwo upadłości: 4%, upadłości niezależne Rozkład możliwych wartości portfela: P(W = 200) = 0,96 2 = 0,9216 P(W = 0) = 0,04 2 = 0,0016 P(W = 100) = 1 0,9216 0,0016 = 0,0768 VaR 95% (A) = VaR 95% (B) = 0 VaR 95% (A + B) = 100 > 0 = VaR 95% (A) + VaR 95% (B)
53 Podstawowe miary ryzyka VaR VaR sposoby wyznaczania Metoda wariancji-kowariancji Symulacja historyczna Symulacja Monte Carlo
54 Podstawowe miary ryzyka VaR Metoda wariancji-kowariancji Założenie: normalny rozkład wszystkich czynników ryzyka Portfel instrumentów liniowych względem czynników ryzyka Zmiany wartości portfela również rozkład normalny Wyprowadzamy wzór, podstawiamy zmienności i korelacje
55 Podstawowe miary ryzyka VaR Metoda wariancji-kowariancji Zalety: Względnie prosta do zrozumienia i wdrożenia Niewielkie zapotrzebowanie na zasoby Problemy: Niezbyt realistyczne założenia o rozkładach czynników ryzyka Nie można uwzględnić bardziej skomplikowanych instrumentów pochodnych Dla portfeli o dużej liczbie składników oszacowanie macierzy wariancji-kowariancji może być trudne
56 Podstawowe miary ryzyka VaR Symulacja historyczna Zbieramy dane o przeszłych wartościach czynników ryzyka Wyceniamy posiadany portfel dla takich wartości czynników ryzyka Sortujemy zmiany Bierzemy odpowiedni percentyl
57 Podstawowe miary ryzyka VaR Symulacja historyczna Zalety: (Prawie) żadnych założeń parametrycznych! prawie robi różnicę szczegóły za chwilę Łatwa do zrozumienia Problemy: Konieczne przechowywanie wielu danych Dane historyczne niedostępne dla części aktywów (np. nowe produkty) Co ze zmianami strukturalnymi na rynkach?
58 Podstawowe miary ryzyka VaR Symulacja Monte Carlo Sztuczne generowanie ścieżek czynników ryzyka Na tej podstawie wycena posiadanego portfela Sortujemy zmiany wartości Bierzemy odpowiedni percentyl
59 Podstawowe miary ryzyka VaR Symulacja Monte Carlo Zalety: Potencjalnie najbardziej elastyczne podejście Można wyceniać dowolne instrumenty Problemy Dużo zależy od założeń co do procesów generujacych dane Duża złożoność obliczeniowa Najtrudniejsza do implementacji Sztuczki numeryczne Przybliżenie delta-gamma (intuicja: podobnie jak duration i convexity dla obligacji) Metody redukowania zmienności estymatora
60 Podstawowe miary ryzyka Dekompozycja VaR Dekompozycja VaR Wkład poszczególnych ekspozycji do VaR portfela zwykle mniejszy niż VaR dla danej pozycji (efekt dywersyfikacji) W wielu przypadkach istotne jest określenie wielkości wpływu ekspozycji (lub jej zmiany) na VaR Budżetowanie ryzyka/kapitału Pomiar rentowności skorygowanej o ryzyko Ocena kapitałochłonności różnych potencjalnych inwestycji
61 Podstawowe miary ryzyka Dekompozycja VaR Horyzont czasowy VaR Co jeśli interesuje nas dłuższy okres utrzymywania pozycji? Prosto jeśli założymy i.i.d. procesu stóp zwrotu Promowane przez regulatorów: reguła pierwiastka czasu Problem jeśli chcemy uwzględnić efekty GARCH W metodzie MC możemy założyć dowolny proces Trzeba oszacować proces generujacy dane problem dużych portfeli Rośnie złożoność obliczeniowa Bardziej skomplikowane dla symulacji historycznej metoda przestaje być wolna od założeń! Co jeśli chcemy agregować VaR dla różnych horyzontów czasowych?
62 Podstawowe miary ryzyka Backtest VaR wybrane testy VaR jako statystyka Oszacowanie VaR jest percentylem rozkładu, możemy więc stosować wszystkie narzędzia statystyczne zwiazane z testowaniem hipotez dotyczacych parametrów Niepewność co do oszacowania wartości VaR jako wyniku szacowanego wcześniej modelu, problemy szczególnie duże dla VaR szacowanego dla wysokim poziomów ufności (mało obserwacji szeroki przedział ufności oszacowania parametru) Obok poziomu ufności VaR, należy wybrać poziom istotności dla testu W ogólności, przy testowaniu oszacowań miar ryzyka chcielibyśmy móc odnosić się do modeli dla całych rozkładów
63 Podstawowe miary ryzyka Backtest VaR wybrane testy Testy oparte na częstości ekstremalnych zwrotów Pytanie, czy częstość przekroczeń wartości VaR jest zgodna z przyjętym poziomem ufności dla VaR Założenie, że poszczególne realizacje (i ewentualne przekroczenia) sa zdarzeniami niezależnymi Możliwe wyniki dane rozkładem dwumianowym
64 Podstawowe miary ryzyka Backtest VaR wybrane testy Test częstości przekroczeń Test "wbudowany" w konstrukcję wymogu kapitałowego (Bazylea II) dla metody zaawansowanej ryzyka rynkowego Test może być nieefektywny (mieć słaba moc) przy wykrywaniu niewłaściwego modelu z uwagi na ignorowanie znacznej ilości informacji Wielkość przekroczenia Niezależność przekroczeń w wymiarze czasowym (ewentualna koncentracja) Wymagana znaczna wielkość próby szerokość przedziału ufności dla uzyskanej liczby przekroczeń Problem przy zwiększaniu horyzontu czasowego utrzymywania ekspozycji
65 Podstawowe miary ryzyka Backtest VaR wybrane testy Testy rozkładu warunkowego Porównujemy empiryczny rozkład strat przekraczajacych wielkość VaR z rozkładem teoretycznym wynikajacym ze stosowanego modelu Statystyczne testy różnicy rozkładów np. Kołmogorow-Smirnow Możliwe odrzucenie modelu w sytuacjach, gdy testy oparte na liczbie przekroczeń VaR nie dawałyby do tego podstawy (np. przekroczenia z przewidywana częstościa, ale znacznie większe niż implikowane przez model) Problem gdy nie mamy jawnie określonego modelu do porównań (metoda symulacji historycznej)
66 Podstawowe miary ryzyka Backtest VaR wybrane testy Testy zgodności rozkładów Postępowanie analogiczne jak dla testów rozkładu warunkowego, ale z uwzględnieniem całości rozkładu Może mieć uzasadnienie, jeśli model ryzyka wykorzystywany w procesie konstrukcji portfela lub oceny efektywności inwestycji Podstawowe (dyskusyjne) założenie: zgodność centrum porównywanych rozkładów daje informację o zgodności ich ogonów Przy nisko ustawionym progu testy zgodności dla całych rozkładów i rozkładów warunkowych "zbliżaja się" do siebie
67 Podstawowe miary ryzyka Expected shortfall Outline 1 Wstęp 2 Stopy zwrotu Wprowadzenie Proces generujacy stopy zwrotu Alternatywne rozkłady 3 Modele warunkowej zmienności Warunkowa zmienność wprowadzenie Jednowymiarowe modele GARCH Wielowymiarowe modele GARCH 4 Podstawowe miary ryzyka Spójne miary ryzyka VaR Expected shortfall 5 Spektralne miary ryzyka Definicja 6 Wybrane modele ryzyka kredytowego
68 Podstawowe miary ryzyka Expected shortfall Expected shortfall (ES) Inne pseudonimy: Expected (tail) loss Conditional VaR Wartość oczekiwana straty pod warunkiem, że strata przekracza VaR Różnica między ES a VaR tym większa, im rozkład bardziej gruboogonowy
69 Spektralne miary ryzyka Definicja Outline 1 Wstęp 2 Stopy zwrotu Wprowadzenie Proces generujacy stopy zwrotu Alternatywne rozkłady 3 Modele warunkowej zmienności Warunkowa zmienność wprowadzenie Jednowymiarowe modele GARCH Wielowymiarowe modele GARCH 4 Podstawowe miary ryzyka Spójne miary ryzyka VaR Expected shortfall 5 Spektralne miary ryzyka Definicja 6 Wybrane modele ryzyka kredytowego
70 Spektralne miary ryzyka Definicja Definicja miary ryzyka Rozważmy miarę ryzyka M φ : M φ = 1 0 φ(p)q p dp q p p-ty percentyl rozkładu strat φ(p) funkcja wag zdefiniowana dla p [0, 1] M φ jest miara ryzyka oparta na kwantylach rozkładu, zróżnicowanie w zależności od przyjętej funkcji wag Chcielibyśmy uzależnić φ(p) od stopnia awersji do ryzyka
71 Spektralne miary ryzyka Definicja Szczególne przypadki VaR α = q α funkcja wag skoncentrowana w jednym punkcie ES α = α α q pdp schodkowa funkcja wag Te specyfikacje nie sa zależne od stopnia awersji do ryzyka Gubimy znaczna część informacji o rozkładzie
72 Spektralne miary ryzyka Definicja Restrykcje dla φ(p) φ(p) φ(p)dp = 1 φ (p) 0 (w celu wyeliminowania neutralności względem ryzyka czasem warunek formułowany jako φ (p) > 0) Miara spełniajaca te warunki nazywana jest spektralna miara ryzyka Spełnia warunki spójnej miary ryzyka Do pełnego zdefiniowania spektralnej miary ryzyka konieczne jest również wskazanie postaci i parametryzacji funkcji użyteczności
73 Spektralne miary ryzyka Funkcje użyteczności Wykładnicza funkcja użyteczności Wykładnicza funkcja użyteczności: U(x) = e kx, k > 0 M φ = R A (x) = U (x) U (x) = k R R (x) = xu (x) U (x) = xk Możliwa funkcja wag: φ(p) = λe k(1 p) = ke k(1 p) 1 e k k 1 e k 1 e k(1 p) q p dp 0
74 Spektralne miary ryzyka Funkcje użyteczności Potęgowa funkcja użyteczności Potęgowa funkcja użyteczności, γ > 0: U(x) = x 1 γ 1 1 γ W przypadku granicznym, gdy γ = 1: U(x) = ln(x) R A (x) = U (x) U (x) = γ x R R (x) = xu (x) U (x) = γ Możliwa funkcja wag: φ(p) = λ (1 p)γ 1 1 γ M φ = 1 γ(1 p) γ 1 q p dp 0 = γ(1 p) γ 1
75 Spektralne miary ryzyka Funkcje użyteczności Modelowanie ryzyka na rynkach finansowych niektóre problemy Zmienność Jak ja mierzyć? Jak brać pod uwagę zmiany zmienności? Jaka ma być rola zmienności implikowanych? Pamięć oszacowań zmienności Kowariancje/korelacje Coraz istotniejsze dla wyceny strukturyzowanych produktów finansowych Problem wymiarów! Modelowanie ich zmian w czasie
76 Spektralne miary ryzyka Funkcje użyteczności Modelowanie ryzyka na rynkach finansowych niektóre problemy Jak uwzględniać strukturę terminowa zmienności? W symulacjach Monte Carlo różnice w modelach dla stóp procentowych i innych rodzajów aktywów Czy można lepiej modelować same ogony rozkładów? Modelowanie współwystępowania zdarzeń ekstremalnych
77 Wybrane modele ryzyka kredytowego CreditMetrics Podstawowe założenia Ekspozycjom można przypisać ratingi z powiazanymi prawdopodobieństwami upadłości Znane sa prawdopodobieństwa zmian przypisanych ratingów (macierz przejść) proces Markowa Znana jest struktura terminowa premii za ryzyko dla poszczególnych klas ratingowych (lub odpowiednie procesy stochastyczne) Na podstawie powyższych możliwe jest wyznaczenie rozkładu przyszłej wartości danej ekspozycji
78 Wybrane modele ryzyka kredytowego CreditMetrics Efekty dywersyfikacji w ramach portfela Prawdopodobieństwa upadłości nie sa niezależne problem określenia współzależności między nimi Możliwe rozwiazanie korelacja między wartościa aktywów firm (przybliżana przez rynkowa wartość akcji), w powiazaniu z uproszczonym modelem Mertona Wyznaczanie korelacji może być uproszczone w ramach analizy czynnikowej (problem wymiarów)
79 Wybrane modele ryzyka kredytowego CreditMetrics Problemy Macierz przejść through-the-cycle może nie być odpowiednia dla analiz w krótszym niż pełen cykl horyzoncie czasowym Losowość elementów macierzy przejść (moga być traktowane jako oszacowania nieznanych prawdziwych wartości parametrów) Założenie homogeniczności ekspozycji w ramach danej grupy ratingowej Uwzględnienie losowości w odniesieniu do stóp procentowych (zarówno wolnych od ryzyka, jak i komponentu premii za ryzyko) Ekspozycje musza mieć przypisane ratingi
80 Wybrane modele ryzyka kredytowego Model KMV Podstawowe założenia Rezygnacja z macierzy przejść na rzecz oparcia się na danych rynkowych, w powiazaniu z informacja o strukturze finansowania przedsiębiorstwa Prawdopodobieństwo upadłości określane na podstawie oszacowania zmienności wartości kapitału (distance-to-default) Teoretycznie możliwość lepszego ujęcia zależności między ekspozycjami w ramach portfela
81 Wybrane modele ryzyka kredytowego Model KMV Problemy Utrudnione (ale nie niemożliwe) stosowanie do firm niepublicznych Konieczność dodatkowego mapowania pomiędzy wyznaczonym bezpośrednio distance-to-default a faktycznym prawdopodobieństwem upadłości Nie dla wszystkich branż model działa równie dobrze (np. instytucje finansowe)
82 Wybrane modele ryzyka kredytowego CreditRisk+ Podstawowe założenia Podejście aktuarialne upadłość lub brak zmiany stanu Liczba upadłości w danym okresie dana rozkładem Poissona (λ) Brak bezpośrednio uwzględnionej korelacji między ekspozycjami Podejście względnie proste obliczeniowo
83 Wybrane modele ryzyka kredytowego CreditRisk+ Rozszerzenia Rozkład Poissona określony jednym parametrem zmienność implikowanej stopy upadłości może być zaniżona w stosunku do faktycznie obserwowanych wartości Ustochastycznienie parametru λ w tym uzależnienie od czynników zewnętrznych Ustochastycznienie stopy odzysku
VaR Value atrisk(var) co to jest? Inne nazwy: Wartość zagrożona Wartość narażona na ryzyko
VaR 11 Value atrisk(var) co to jest? Inne nazwy: Wartość zagrożona Wartość narażona na ryzyko Popularna miara ryzyka Co może mieć negatywne skutki z punktu widzenia ryzyka systemowego Popularność wspierana
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoPortfel inwestycyjny. Aktywa. Bilans WPROWADZENIE. Tomasz Chmielewski 1. Kapitał. Zobowiązania. Portfel inwestycyjny 2. Portfel inwestycyjny 3
Portfel inwestycyjny Portfel inwestycyjny 1 WPROWDZENIE Portfel inwestycyjny Bilans Kapitał ktywa Zobowiązania Portfel inwestycyjny 3 Tomasz Chmielewski 1 Portfel inwestycyjny 4 Podstawowe funkcje rynków
Bardziej szczegółowoWprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe
Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje
Bardziej szczegółowoKrzywa dochodowości. termin. SGH Rynki Finansowe
Wykład Futures na obligacje Value at Risk % Krzywa dochodowości termin SGH Rynki Finansowe 2015 1 Krzywa dochodowości zmiana kształtu % termin Pytanie do Napoleona: O czym wystarczy pamiętać, by wiedzieć
Bardziej szczegółowoZarządzanie ryzykiem finansowym
Zarządzanie projektami Wrocław, 30 października 2013 Spis treści Motywacja Rachunek prawdopodobieństwa Koherentne miary ryzyka Przykłady zastosowań Podsumowanie Po co analizować ryzyko na rynkach finansowych?
Bardziej szczegółowoModelowanie rynków finansowych
Modelowanie rynków finansowych Jerzy Mycielski WNE UW 5 października 2017 Jerzy Mycielski (WNE UW) Modelowanie rynków finansowych 5 października 2017 1 / 12 Podstawowe elementy teorii 1 racjonalne oczekiwania
Bardziej szczegółowoSpis treści. Ze świata biznesu... 13. Przedmowa do wydania polskiego... 15. Wstęp... 19
Spis treści Ze świata biznesu............................................................ 13 Przedmowa do wydania polskiego.............................................. 15 Wstęp.......................................................................
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoExcel i VBA w analizach i modelowaniu finansowym Pomiar ryzyka. Pomiar ryzyka
Pomiar ryzyka Miary obiektywne stosowane w kwantyfikacji ryzyka rynkowego towarzyszącego zaangażowaniu środków w inwestycjach finansowych obejmują: Miary zmienności, Miary zagrożenia, Miary wrażliwości.
Bardziej szczegółowoPorównanie metod szacowania Value at Risk
Porównanie metod szacowania Value at Risk Metoda wariancji i kowariancji i metoda symulacji historycznej Dominika Zarychta Nr indeksu: 161385 Spis treści 1. Wstęp....3 2. Co to jest Value at Risk?...3
Bardziej szczegółowoModelowanie rynków finansowych
Modelowanie rynków finansowych Przegląd zagadnień 8 października 2012 Główna przesłanka doboru tematów Koncepcje i techniki modelowe jako priorytet: Modele empiryczne bazujące na wiedzy teoretycznej Zakres
Bardziej szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoMatematyczna filozofia IRB. Michał Motoczyński Departament Ryzyka Finansowego
Matematyczna filozofia IRB Michał Motoczyński Departament Ryzyka Finansowego 2009-05-22 2009-05-28 Kluczowe założenia do modelu IRB:. Dwa rodzaje ryzyka mające wpływ na pojedynczą ekspozycję: ryzyko systematyczne
Bardziej szczegółowoModele zapisane w przestrzeni stanów
Modele zapisane w przestrzeni stanów Modele Przestrzeni Stanów (State Space Models) sa to modele, w których część parametrów jest nieobserwowalna i losowa. Zachowanie wielowymiarowej zmiennej y t zależy
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoZarządzanie portfelem kredytowym w banku w warunkach kryzysu. Dr Agnieszka Scianowska Akademia Humanistyczno-Ekonomiczna w Łodzi
Zarządzanie portfelem kredytowym w banku w warunkach kryzysu Dr Agnieszka Scianowska Akademia Humanistyczno-Ekonomiczna w Łodzi Założenia Umowy Kapitałowej Przyjętej w 1988r.(Bazylea I) podstawowym wyznacznikiem
Bardziej szczegółowoAnaliza zdarzeń Event studies
Analiza zdarzeń Event studies Dobromił Serwa akson.sgh.waw.pl/~dserwa/ef.htm Leratura Campbell J., Lo A., MacKinlay A.C.(997) he Econometrics of Financial Markets. Princeton Universy Press, Rozdział 4.
Bardziej szczegółowoZarządzanie ryzykiem. Opracował: Dr inŝ. Tomasz Zieliński
Zarządzanie ryzykiem Opracował: Dr inŝ. Tomasz Zieliński I. OGÓLNE INFORMACJE O PRZEDMIOCIE Cel przedmiotu: Celem przedmiotu jest zaprezentowanie studentom podstawowych pojęć z zakresu ryzyka w działalności
Bardziej szczegółowoWykorzystanie funkcji powiązań do pomiaru ryzyka rynkowego. Katarzyna Kuziak
Wykorzystanie funkcji powiązań do pomiaru ryzyka rynkowego Katarzyna Kuziak Cel: łączenie różnych rodzajów ryzyka rynkowego za pomocą wielowymiarowej funkcji powiązań 2 Ryzyko rynkowe W pomiarze ryzyka
Bardziej szczegółowoModele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11
Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoEkonometria Finansowa II EARF. Michał Rubaszek
Ekonometria Finansowa II EARF Michał Rubaszek 1 Cele - Zapoznanie z charakterystykami szeregów finansowych - Omówienie jednowymiarowych metod liczenia VaR - Omówienie wielowymiarowych metod liczenia VaR
Bardziej szczegółowoWykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne
Wykład 4 Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym 2. Rozkłady próbkowe 3. Centralne twierdzenie graniczne Przybliżenie rozkładu dwumianowego rozkładem normalnym Niech Y ma rozkład
Bardziej szczegółowoAnaliza inwestycji i zarządzanie portfelem SPIS TREŚCI
Analiza inwestycji i zarządzanie portfelem Frank K. Reilly, Keith C. Brown SPIS TREŚCI TOM I Przedmowa do wydania polskiego Przedmowa do wydania amerykańskiego O autorach Ramy książki CZĘŚĆ I. INWESTYCJE
Bardziej szczegółowoMonte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
Bardziej szczegółowoSGH, Rynki Finansowe, 2015, Anna Chmielewska 1
Wykład 10 Instrumenty pochodne - obligacje KONTRAKTY TERMINOWE NA OBLIGACJE SGH, Rynki Finansowe, 2015, Anna Chmielewska 1 Pytanie do Napoleona: O czym wystarczy pamiętać, by wiedzieć jak funkcjonuje rynek
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 7
Stanisław Cichocki Natalia Nehrebecka Wykład 7 1 1. Metoda Największej Wiarygodności MNW 2. Założenia MNW 3. Własności estymatorów MNW 4. Testowanie hipotez w MNW 2 1. Metoda Największej Wiarygodności
Bardziej szczegółowoValue at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16
Value at Risk (VaR) Jerzy Mycielski WNE 2018 Jerzy Mycielski (Institute) Value at Risk (VaR) 2018 1 / 16 Warunkowa heteroskedastyczność O warunkowej autoregresyjnej heteroskedastyczności mówimy, gdy σ
Bardziej szczegółowoMODELOWANIE POLSKIEJ GOSPODARKI Z PAKIETEM R Michał Rubaszek
Tytuł: Autor: MODELOWANIE POLSKIEJ GOSPODARKI Z PAKIETEM R Michał Rubaszek Wstęp Książka "Modelowanie polskiej gospodarki z pakietem R" powstała na bazie materiałów, które wykorzystywałem przez ostatnie
Bardziej szczegółowoR ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych
R ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych Przykłady: Błąd pomiarowy Wzrost, wydajność Temperatura ciała Zawartość różnych składników we
Bardziej szczegółowoRozkłady statystyk z próby
Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoĆwiczenia Zarządzanie Ryzykiem. dr hab. Renata Karkowska, ćwiczenia Zarządzanie ryzykiem 1
Ćwiczenia Zarządzanie Ryzykiem 1 VaR to strata wartości instrumentu (portfela) taka, że prawdopodobieństwo osiągnięcia jej lub przekroczenia w określonym przedziale czasowym jest równe zadanemu poziomowi
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoKrzysztof Piontek MODELOWANIE I PROGNOZOWANIE ZMIENNOŚCI INSTRUMENTÓW FINANSOWYCH
Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Wydział Zarządzania i Informatyki Krzysztof Piontek MODELOWANIE I PROGNOZOWANIE ZMIENNOŚCI INSTRUMENTÓW FINANSOWYCH rozprawa doktorska Promotor: prof.
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoInwestycje finansowe. Wycena obligacji. Stopa zwrotu z akcji. Ryzyko.
Inwestycje finansowe Wycena obligacji. Stopa zwrotu z akcji. yzyko. Inwestycje finansowe Instrumenty rynku pieniężnego (np. bony skarbowe). Instrumenty rynku walutowego. Obligacje. Akcje. Instrumenty pochodne.
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje
Bardziej szczegółowoStruktura terminowa rynku obligacji
Krzywa dochodowości pomaga w inwestowaniu w obligacje Struktura terminowa rynku obligacji Wskazuje, które obligacje są atrakcyjne a których unikać Obrazuje aktualną sytuację na rynku długu i zmiany w czasie
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoSzacowanie miary zagrożenia Expected Shortfall dla wybranych instrumentów polskiego rynku kapitałowego
Radosław Pietrzyk Katedra Inwestycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Szacowanie miary zagrożenia Expected Shortfall dla wybranych instrumentów polskiego rynku kapitałowego 1.
Bardziej szczegółowo7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej
7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach
Bardziej szczegółowoUogólniona Metoda Momentów
Uogólniona Metoda Momentów Momenty z próby daż a do momentów teoretycznych (Prawo Wielkich Liczb) plim 1 n y i = E (y) n i=1 Klasyczna Metoda Momentów (M M) polega na szacowaniu momentów teoretycznych
Bardziej szczegółowoDWUKROTNA SYMULACJA MONTE CARLO JAKO METODA ANALIZY RYZYKA NA PRZYKŁADZIE WYCENY OPCJI PRZEŁĄCZANIA FUNKCJI UŻYTKOWEJ NIERUCHOMOŚCI
DWUKROTNA SYMULACJA MONTE CARLO JAKO METODA ANALIZY RYZYKA NA PRZYKŁADZIE WYCENY OPCJI PRZEŁĄCZANIA FUNKCJI UŻYTKOWEJ NIERUCHOMOŚCI mgr Marcin Pawlak Katedra Inwestycji i Wyceny Przedsiębiorstw Plan wystąpienia
Bardziej szczegółowoWykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap
Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody
Bardziej szczegółowoSTATYSTYKA
Wykład 1 20.02.2008r. 1. ROZKŁADY PRAWDOPODOBIEŃSTWA 1.1 Rozkład dwumianowy Rozkład dwumianowy, 0 1 Uwaga: 1, rozkład zero jedynkowy. 1 ; 1,2,, Fakt: Niech,, będą niezależnymi zmiennymi losowymi o jednakowym
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 3 1 / 8 ZADANIE z rachunku
Bardziej szczegółowoHISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N =
HISTOGRAM W pewnych przypadkach interesuje nas nie tylko określenie prawdziwej wartości mierzonej wielkości, ale także zbadanie całego rozkład prawdopodobieństwa wyników pomiarów. W takim przypadku wyniki
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej szczegółowodr hab. Renata Karkowska 1
dr hab. Renata Karkowska 1 Czym jest ryzyko? Rodzaje ryzyka? Co oznacza zarządzanie? Dlaczego zarządzamy ryzykiem? 2 Przedmiot ryzyka Otoczenie bliższe/dalsze (czynniki ryzyka egzogeniczne vs endogeniczne)
Bardziej szczegółowo5. WNIOSKOWANIE PSYCHOMETRYCZNE
5. WNIOSKOWANIE PSYCHOMETRYCZNE Model klasyczny Gulliksena Wynik otrzymany i prawdziwy Błąd pomiaru Rzetelność pomiaru testem Standardowy błąd pomiaru Błąd estymacji wyniku prawdziwego Teoria Odpowiadania
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: przedmiot obowiązkowy w ramach treści kierunkowych, moduł kierunkowy ogólny Rodzaj zajęć: wykład, ćwiczenia I KARTA PRZEDMIOTU CEL PRZEDMIOTU
Bardziej szczegółowoAKADEMIA GÓRNICZO-HUTNICZA Wydział Matematyki Stosowanej ROZKŁAD NORMALNY ROZKŁAD GAUSSA
AKADEMIA GÓRNICZO-HUTNICZA Wydział Matematyki Stosowanej KATEDRA MATEMATYKI TEMAT PRACY: ROZKŁAD NORMALNY ROZKŁAD GAUSSA AUTOR: BARBARA MARDOSZ Kraków, styczeń 2008 Spis treści 1 Wprowadzenie 2 2 Definicja
Bardziej szczegółowoOszacowanie i rozkład t
Oszacowanie i rozkład t Marcin Zajenkowski Marcin Zajenkowski () Oszacowanie i rozkład t 1 / 31 Oszacowanie 1 Na podstawie danych z próby szacuje się wiele wartości w populacji, np.: jakie jest poparcie
Bardziej szczegółowoMikroekonometria 9. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 9 Mikołaj Czajkowski Wiktor Budziński Wielomianowy model logitowy Uogólnienie modelu binarnego Wybór pomiędzy 2 lub większą liczbą alternatyw Np. wybór środka transportu, głos w wyborach,
Bardziej szczegółowoNarzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski
Narzędzia statystyczne i ekonometryczne Wykład 1 dr Paweł Baranowski Informacje organizacyjne Wydział Ek-Soc, pok. B-109 pawel@baranowski.edu.pl Strona: baranowski.edu.pl (w tym materiały) Konsultacje:
Bardziej szczegółowoWnioskowanie statystyczne. Statystyka w 5
Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających
Bardziej szczegółowoMetody oceny ryzyka operacyjnego
Instytut Matematyki i Informatyki Wrocław, 10 VII 2009 Bazylejski Komitet Nadzoru Bankowego Umowa Kapitałowa - 1988 Opracowanie najlepszych praktyk rynkowych w zakresie zarządzania ryzykiem Nowa Umowa
Bardziej szczegółowoEkonometria Finansowa II EARF. Michał Rubaszek
Ekonometria Finansowa II EARF Michał Rubaszek 1 Cele - Zapoznanie z charakterystykami szeregów finansowych - Omówienie jednowymiarowych metod liczenia VaR - Omówienie wielowymiarowych metod liczenia VaR
Bardziej szczegółowoEkonometryczne modele nieliniowe
Ekonometryczne modele nieliniowe Wykład 10 Modele przełącznikowe Markowa Literatura P.H.Franses, D. van Dijk (2000) Non-linear time series models in empirical finance, Cambridge University Press. R. Breuning,
Bardziej szczegółowoStatystyka w zarzadzaniu / Amir D. Aczel, Jayavel Sounderpandian. Wydanie 2. Warszawa, Spis treści
Statystyka w zarzadzaniu / Amir D. Aczel, Jayavel Sounderpandian. Wydanie 2. Warszawa, 2018 Spis treści Przedmowa 13 O Autorach 15 Przedmowa od Tłumacza 17 1. Wprowadzenie i statystyka opisowa 19 1.1.
Bardziej szczegółowoTestowanie hipotez statystycznych
Agenda Instytut Matematyki Politechniki Łódzkiej 2 stycznia 2012 Agenda Agenda 1 Wprowadzenie Agenda 2 Hipoteza oraz błędy I i II rodzaju Hipoteza alternatywna Statystyka testowa Zbiór krytyczny Poziom
Bardziej szczegółowoIdentyfikacja i pomiar ryzyka pierwszy krok w zarządzaniu ryzykiem.
Identyfikacja i pomiar ryzyka pierwszy krok w zarządzaniu ryzykiem. Andrzej Podszywałow Własność przemysłowa w innowacyjnej gospodarce. Zarządzanie ryzykiem, strategia zarządzania własnością intelektualną
Bardziej szczegółowoKalibracja. W obu przypadkach jeśli mamy dane, to możemy znaleźć równowagę: Konwesatorium z Ekonometrii, IV rok, WNE UW 1
Kalibracja Kalibracja - nazwa pochodzi z nauk ścisłych - kalibrowanie instrumentu oznacza wyznaczanie jego skali (np. kalibrowanie termometru polega na wyznaczeniu 0C i 100C tak by oznaczały punkt zamarzania
Bardziej szczegółowoODRZUCANIE WYNIKÓW POJEDYNCZYCH POMIARÓW
ODRZUCANIE WYNIKÓW OJEDYNCZYCH OMIARÓW W praktyce pomiarowej zdarzają się sytuacje gdy jeden z pomiarów odstaje od pozostałych. Jeżeli wykorzystamy fakt, że wyniki pomiarów są zmienną losową opisywaną
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Bardziej szczegółowoW2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne.
W2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne. dr hab. Jerzy Nakielski Katedra Biofizyki i Morfogenezy Roślin Plan wykładu: 1. Etapy wnioskowania statystycznego 2. Hipotezy statystyczne,
Bardziej szczegółowoANALIZA STATYSTYCZNA WYNIKÓW BADAŃ
ANALIZA STATYSTYCZNA WYNIKÓW BADAŃ Dopasowanie rozkładów Dopasowanie rozkładów- ogólny cel Porównanie średnich dwóch zmiennych 2 zmienne posiadają rozkład normalny -> test parametryczny (t- studenta) 2
Bardziej szczegółowoStatystyka opisowa. Wykład V. Regresja liniowa wieloraka
Statystyka opisowa. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Prosta regresji cechy Y względem cech X 1,..., X k. 2 3 Wyznaczamy zależność cechy Y od cech X 1, X 2,..., X k postaci Y = α 0 +
Bardziej szczegółowoSpis treści Wstęp 1. Ryzyko a pojęcie cykliczności, procykliczności i antycykliczności zjawisk sfery realnej i systemu finansowego gospodarki
Wstęp... 11 1. Ryzyko a pojęcie cykliczności, procykliczności i antycykliczności zjawisk sfery realnej i systemu finansowego gospodarki... 23 1.1. Wprowadzenie... 23 1.2. Definicje zjawiska cyklu koniukturalnego,
Bardziej szczegółowoPODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE
UNIWERSYTET WARMIŃSKO-MAZURSKI W OLSZTYNIE PODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE http://matman.uwm.edu.pl/psi e-mail: psi@matman.uwm.edu.pl ul. Słoneczna 54 10-561
Bardziej szczegółowoAnaliza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU
Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów
Bardziej szczegółowoćwiczenia 30 zaliczenie z oceną
Wydział: Zarządzanie i Finanse Nazwa kierunku kształcenia: Finanse i Rachunkowość Rodzaj przedmiotu: podstawowy Opiekun: dr Rafał Kusy Poziom studiów (I lub II stopnia): II stopnia Tryb studiów: Stacjonarne
Bardziej szczegółowoEstymacja parametrów w modelu normalnym
Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia
Bardziej szczegółowoTablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
Bardziej szczegółowoNOWY PROGRAM STUDIÓW 2016/2017 SYLABUS PRZEDMIOTU AUTORSKIEGO: Wprowadzenie do teorii ekonometrii. Część A
NOWY PROGRAM STUDIÓW 2016/2017 SYLABUS PRZEDMIOTU AUTORSKIEGO: Autor: 1. Dobromił Serwa 2. Tytuł przedmiotu Sygnatura (będzie nadana, po akceptacji przez Senacką Komisję Programową) Wprowadzenie do teorii
Bardziej szczegółowoStatystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 8
Stanisław Cichocki Natalia Nehrebecka Zajęcia 8 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowoMETODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie
METODY ESTYMACJI PUNKTOWEJ X 1,..., X n - próbka z rozkładu P θ, θ Θ, θ jest nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie P θ. Definicja. Estymatorem
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11, środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoLiczba godzin Punkty ECTS Sposób zaliczenia. ćwiczenia 16 zaliczenie z oceną
Wydział: Zarządzanie i Finanse Nazwa kierunku kształcenia: Finanse i Rachunkowość Rodzaj przedmiotu: podstawowy Opiekun: prof. nadzw. dr hab. Tomasz Kuszewski Poziom studiów (I lub II stopnia): II stopnia
Bardziej szczegółowoStatystyka. Rozkład prawdopodobieństwa Testowanie hipotez. Wykład III ( )
Statystyka Rozkład prawdopodobieństwa Testowanie hipotez Wykład III (04.01.2016) Rozkład t-studenta Rozkład T jest rozkładem pomocniczym we wnioskowaniu statystycznym; stosuje się go wyznaczenia przedziału
Bardziej szczegółowoINWESTYCJE Instrumenty finansowe, ryzyko SPIS TREŚCI
INWESTYCJE Instrumenty finansowe, ryzyko Jajuga Krzysztof, Jajuga Teresa SPIS TREŚCI Przedmowa Wprowadzenie - badania w zakresie inwestycji i finansów Literatura Rozdział 1. Rynki i instrumenty finansowe
Bardziej szczegółowoTestowanie hipotez statystycznych. Wnioskowanie statystyczne
Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy
Bardziej szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.medexp3.dta przygotuj model regresji kwantylowej 1. Przygotuj model regresji kwantylowej w którym logarytm wydatków
Bardziej szczegółowoNatalia Neherbecka. 11 czerwca 2010
Natalia Neherbecka 11 czerwca 2010 1 1. Konsekwencje heteroskedastyczności i autokorelacji 2. Uogólniona MNK 3. Stosowalna Uogólniona MNK 4. Odporne macierze wariancji i kowariancji b 2 1. Konsekwencje
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria prof. dr hab. inż. Jacek Mercik B4 pok. 55 jacek.mercik@pwr.wroc.pl (tylko z konta studenckiego z serwera PWr) Konsultacje, kontakt itp. Strona WWW Elementy wykładu.
Bardziej szczegółowoRachunek Prawdopodobieństwa Anna Janicka
Rachunek Prawdopodobieństwa Anna Janicka wykład XIV, 24.01.2017 ŁAŃCUCHYMARKOWA CD. KRÓTKIE INFO O RÓŻNYCH WAŻNYCH ROZKŁADACH Plan na dzisiaj Łańcuchy Markowa cd. Różne ważne rozkłady prawdopodobieństwa,
Bardziej szczegółowoOBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA. z wykorzystaniem programu obliczeniowego Q maxp
tel.: +48 662 635 712 Liczba stron: 15 Data: 20.07.2010r OBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA z wykorzystaniem programu obliczeniowego Q maxp DŁUGIE
Bardziej szczegółowoWykład 9 Wnioskowanie o średnich
Wykład 9 Wnioskowanie o średnich Rozkład t (Studenta) Wnioskowanie dla jednej populacji: Test i przedziały ufności dla jednej próby Test i przedziały ufności dla par Porównanie dwóch populacji: Test i
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
Bardziej szczegółowo